新浪博客

基于混合模糊多人多目标非合作博弈的车道选择模型

2024-05-31 09:41阅读：

http://blog.sina.cn/dpool/blog/u/1304706164

引用本文

王晓原, 张敬磊, 刘振雪, 尹超. 基于混合模糊多人多目标非合作博弈的车道选择模型. 自动化学报, 2017, 43(11): 2033-2043. doi: 10.16383/j.aas.2017.c160559
WANG Xiao-Yuan, ZHANG Jing-Lei, LIU Zhen-Xue, YIN Chao. Drivers' Lane Choice Model Based on Mixed Fuzzy Multi-person and Multi-objective Non-cooperative Game. ACTA AUTOMATICA SINICA, 2017, 43(11): 2033-2043. doi: 10.16383/j.aas.2017.c160559
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c160559

关键词


智能交通系统，驾驶倾向性，车辆集群态势，多人多目标对策，混合模糊对策

摘要

建立汽车安全驾驶辅助系统（包括安全驾驶预警系统）是保证交通安全的有效手段.准确预测车辆集群态势是汽车安全辅助驾驶的前提，车道选择是车辆集群态势发生转移最为根本的原因，也是交通流理论研究的基本内容.以往研究没有综合考虑车辆集群复杂态势下各运动实体特征及其操控者类型，以及多个车道间车辆的冲突对车道选择的影响.为此，本文综合考虑各运动实体特征及其操控者类型，基于混合模糊多人多目标非合作博弈方法，建立城市快速路基本路段上的驾驶员车道选择模型.通过分析各方驾驶员在不同车道选择策略下的收益，确定换道博弈的Nash均衡，得到驾驶员最优车道选择策略.研究结果表明：基于混合模糊多人多目标非合作博弈方法建构的驾驶员车道选择模型，其预测准确率可达到85.2%.

文章导读

随着交通运输业的快速发展, 汽车保有量, 特别是私家车数量迅猛增加, 道路交通系统中人-车-环境矛盾日益突出, 道路交通事故频发.建立汽车安全驾驶辅助系统(包括安全驾驶预警系统)是保证交通安全的有效手段.准确预测车辆集群态势是汽车安全辅助驾驶的前提, 车道选择是车辆集群态势发生转移最为根本的原因, 也是交通流理论研究的基本内容.

早期的一些换道模型(例如Gipps[1]模型以及微观仿真软件SITRAS[2]和CORSIM[3]中的换道模型)将车道选择看作是基于特定规则的过程, 认为是驾驶员对车道集合中各车道依照特定的顺序和优先权规则进行重复的评估, 从而确定行驶车道.但是, 这些模型不能实时捕获和权衡不同刺激因素对车道变换的影响, 也不能考虑不同驾驶员间驾驶行为的相互影响, 模型的实用性不强. Yang和Koutsopoulos[4]首次把换道行为分为强制性换道和选择性换道, 并将Gipps模型归类为强制性换道.当车辆的速度低于驾驶员的期望速度时, 驾驶员就根据目前的驾驶环境, 在当前和相邻车道中选择最佳者实行选择性换道以满足驾驶期望.这个模型最主要的改进是引入了车道选择的随机效用框架.因此, 它能帮助捕获和权衡一些特定因素对车道选择的影响. Ahmed[5]将车道变换解析成三层的决策过程:考虑是否换道, 如果换道则进行目标车道的选择, 确定目标车道后进行可插车间隙的选择.模型存在的缺点是强制性换道和选择性换道情形仍需要分别处理, 并且需要获得驾驶员任意时刻的先验轨迹知识(包括强制性换道和选择性换道). Toledo[6]引入了综合驾驶行为模型, 综合考虑强制性换道和选择性换道, 并将它们在驾驶员车道选择过程层合并.车道选择的评估效用函数可以同时考虑影响强制性换道和选择性换道的相关因素. Keyvan-Ekbatani等[7]应用装备着摄像头的汽车在高速公路上开展两阶段的驾驶测试试验, 从而对换道决策过程分类.试验结束后要求被测试者在观看录像的同时评述他们在驾驶过程中对速度及车道的选择, 最终得出四种换道动机完全不同的驾驶策略, 此对换道模型及驾驶员行为的微观仿真具有促进作用. Balal等[8]提出了一种模糊推理系统, 基于驾驶员的问卷调查结果及主车上所安装传感器采集数据的分析结果确定系统输入变量, 从而为行驶在高速公路上的驾驶员是否进行任意性换道提供二元决策.

汽车的驾驶过程本质上是一个动态博弈过程, 许多学者从博弈论角度出发, 对驾驶员换道行为进行研究. Kita[9]利用博弈论方法对高速公路匝道附近车辆的交互影响进行了分析, 将汇入车辆和直行穿越车辆的交互作用解析为二人非零和非合作博弈.在这个博弈中, 汇入车辆有两种战略选择:汇入和不汇入; 直行穿越车辆也有两种战略选择:让行和不让行.通过例证分析, 提出的模型能够计算并重现匝道附近交织区驾驶员的决策行为.杨晓芳等[10]在完全信息的假设条件下, 基于驾驶员个人对速度的期望, 考虑速度收益、临道车辆、时间演化和安全间距等因素, 分析了驾驶过程中的博弈行为和相应驾驶行为意图的变化, 建立前后车之间的博弈矩阵模型.刘小明等[11]应用动态重复博弈方法建立了车辆换道模型, 对车辆的博弈过程以及车辆行为策略进行了描述.通过对不同交通流条件下实际调查的车辆换道次数与仿真值进行比较, 验证了模型的有效性. Talebpour等[12]提出了一种基于博弈论方法的车道变换模型.根据驾驶人车辆协同数据信息, 分析了完全信息下的二人合作和非合作博弈以及不完全信息下的二人合作和非合作博弈, 并建立了不同的换道模型. Wang等[13]基于最优控制和动态博弈理论提出了一种将车道变换和车辆跟驰统一控制的预测方法.通过预测确定车辆的离散期望车道序列和连续加速度最小化函数寻求均衡解.结果表明, 所提出的方法在满足安全性和舒适性要求的同时能够得到有效的换道策略.彭金栓等[14]将换道过程中目标车与预瞄车道后随车的行为模型化为非合作混合战略博弈, 对双方的收益以及Nash均衡解进行了研究.分析结果表明:两车非合作混合战略博弈的Nash均衡解由行车安全性、行车时间以及收益重要度因子共同决定.彭金栓等[15]为了明确车道变换决策形成机制以及此过程中交通冲突的诱发机制, 建立基于有限零和灰色博弈的车道变换决策模型, 研究了博弈双方驾驶员的策略选择和收益特性.结果表明, 当车道变换目标车与预瞄车道后随车的交通冲突不可避免时, 目标车的理想最优策略是减速等待, 而目标车道后随车的理想最优策略是加速通过临界冲突点.

以往研究大多是考虑两个驾驶员间的博弈行为, 没有考虑多人博弈.然而, 道路上的车辆集群行为并不能简单的拆分为二人博弈.此外, 以往研究没有综合考虑车辆集群复杂态势下各运动实体特征及其操控者类型, 以及多个车道间车辆的冲突对车道选择的影响.为此, 本文以城市快速路基本路段上的集群车辆为研究对象, 分析博弈各方所组成的车辆集群态势, 并利用模糊逻辑的方法创建数学表达方式.在此基础上, 计算各方驾驶员在不同车道选择策略下的收益, 确定集群车辆在换道博弈过程中的Nash均衡, 得到驾驶员最优车道选择策略.
基于混合模糊多人多目标非合作博弈的车道选择模型
图 1 三车道场景目标车所处车辆集群态势图
基于混合模糊多人多目标非合作博弈的车道选择模型
图 2

我的更多文章

下载客户端阅读体验更佳

APP专享